予測概念の多様性に対応した情報量規準の開発：計算統計的アプローチ

开发适应预测概念多样性的信息标准：计算统计方法

基本信息

批准号：
21K12067
负责人：
伊庭幸人
金额：
$ 1.58万
依托单位：
The Institute of Statistical Mathematics
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-21K12067/
关键词：
ベイズ統計 MCMC モデル選択 sensitivity 共変量シフト因果推論 Bayesian statistics causal inference covariate shift Markov chain Monte Carlo model selection WAIC PCIC 情報量規準マルコフ連鎖モンテカルロ法

项目摘要

前年度までに得た重み付き推論についてのモデル選択規準（PCIC for weighted inference）に関する研究成果がNeural Computation（IF=3.27)に掲載決定となった（第一論文）。当該論文のリバイズにあたっては、査読者のコメントに従って特異モデルへの応用に関する証明と数値実験を追加した。本論文で提案された規準は、共変量シフトのある場合や因果推論で傾向スコアの値が与えられている場合において有用であり、MCMCのアウトプットから容易に計算できる。また、対象をギブス損失の評価とベイズ期待値をプラグインした予測分布の評価に絞るかわりに、より一般の評価関数に拡張した情報量規準を提案した論文（arXiv:2206.05887v1、第二論文）を一流誌に投稿したが不採択となったため、他誌への再投稿を目指して改訂中である。こちらの論文では、プライバシー秘匿の問題など、現代的な興味に即した問題も扱っている。新たな方向として、事後共分散・事後キュムラントを利用した近似的なブートストラップ法、信頼区間のABC近似、バイアス補正、尤度の確率展開について研究した。バイアス補正および尤度の確率展開についての結果は特に独自性が高いものと思われる。これらの結果について所内のセミナーで議論し、論文にまとめるための準備を行っている。新型コロナ感染症の影響で、国内・海外の出張は行わなかったが、2023年度以降はより積極的に行う予定である。

截至上一年获得的关于加权推理模型选择标准（PCIC for Weighted Inference）的研究成果已决定发表在《Neural Computation》（IF=3.27）（第一篇论文）上。在修改论文时，我们根据审稿人的意见添加了有关奇异模型应用的证明和数值实验。当存在协变量偏移或给出因果推理的倾向得分值时，本文提出的标准非常有用，并且可以根据 MCMC 的输出轻松计算。此外，一篇论文没有关注吉布斯损失的评估和插入贝叶斯期望值的预测分布的评估，而是提出了一种扩展到更一般评估函数的信息标准（arXiv：2206.05887v1，第二篇论文），该论文已提交给著名的权威机构期刊，但没有被接受，所以我们目前正在修改它，目的是重新提交到另一个期刊。本文还讨论了当代感兴趣的问题，例如隐私问题。作为一个新方向，我们研究了使用后验协方差和后验累积量的近似引导方法、置信区间的 ABC 近似、偏差校正和似然概率扩展。关于偏差校正和可能性概率扩展的结果似乎特别独特。这些结果将在内部研讨会上进行讨论，并正在准备将其总结在一篇论文中。由于新型冠状病毒感染的影响，我没有国内外旅行，但我计划从 2023 年开始更加积极地旅行。